Aprendizado não supervisionado aplicado à análise de furtos de cabo de cobre em Belo Horizonte

Métodos tradicionais de mapeamento de hotspots, como a Estimativa de Densidade por Kernel (KDE), não capturam a dinâmica temporal de fenômenos criminais, limitando a compreensão de sua evolução espacial. Este trabalho propõe uma metodologia de análise espaço-temporal dinâmica para detecção de hotspots de furto de cabos em Belo Horizonte, com aplicação no Centro Integrado de Operações (COP-BH). A abordagem segmenta os dados em janelas temporais, aplicando cinco técnicas de clusterização (K-Means, K-Medoids, HAC, DBSCAN e HDBSCAN) e avaliando seu desempenho por métricas internas (Silhouette, Davies–Bouldin, Calinski–Harabasz e Density-Based Clustering Validation) e pelo Índice de Acurácia Preditiva (PAI). Os resultados indicam que métodos baseados em densidade, como o HDBSCAN, identificam padrões de surgimento, dissipação e deslocamento de hotspots de forma mais precisa que o KDE. Foi verificado, também, que os algoritmos possuem vantagens e desvantagens no atendimento à necessidade do COP-BH, sendo estritamente necessária a aplicação adequada de cada um deles. A metodologia proposta contribui para o monitoramento inteligente de infraestrutura crítica, fornecendo suporte ao COP-BH e criando uma base sólida para futuras integrações com sistemas preditivos e analíticos de vídeo.